这个品类的数据长什么样
眼科药物警戒数据主要来源于临床试验报告、真实世界研究（RWE）、上市后监测系统（如 FDA FAERS、EMA EudraVigilance 等）以及医疗机构的电子病历。这些数据更新频率不一，临床试验数据通常在研究结束后集中发布，而上市后监测数据则呈持续、碎片化流入。文档类型多样，包括结构化的报告（如 CIOMS I 表格）、半结构化的医学记录（如医生手写病历、患者访谈记录）以及非结构化的科学文献。字段包含患者人口统计学信息、用药史、不良事件描述（包括体征、症状、诊断）、事件发生时间、结局、因果关系评估等，其中不良事件描述常涉及眼部特有术语和解剖部位，如“视网膜脱离”、“黄斑水肿”、“眼压升高”等，单位涉及视力（如 Snellen 视力表）、眼压（mmHg）等。
这些特征在「多轮对话与提示词」这一环带来什么约束
眼科药物警戒数据来源的多元性与更新频率差异，要求知识库能够持续整合新信息，并在多轮对话中保持对最新数据的感知。半结构化和非结构化文档的普遍性，使得精确的信息提取和实体识别成为挑战，尤其是在涉及复杂眼科术语和症状描述时。多轮对话中，用户可能逐步补充或修正不良事件的细节，系统需要准确理解上下文，并结合历史对话信息进行推理。例如，用户初次提及“视力模糊”，后续可能补充“伴有飞蚊症，用药后出现”，系统需将这些信息关联到具体的药物和不良反应上。眼部特有字段和单位的存在，要求提示词设计时需充分考虑这些专业词汇的语义理解和量化信息的处理，避免因术语歧义或单位混淆导致误判。
配置怎么定
| 配置项 | 建议取法 | 这样取的依据 |
|---|---|---|
maxContext | 800–1200 tokens | 适应眼科不良反应描述的详细程度，兼顾模型处理复杂上下文的能力，避免冗余信息干扰。 |
temperature | 0.3–0.5 | 确保生成回答的稳定性和准确性，减少幻觉，适用于药物警戒的严谨性要求。 |
top_p | 0.7–0.8 | 进一步收敛模型输出范围，聚焦于相关性高的信息，减少无关信息的生成。 |
系统提示词 | 详见下方说明 | 预设角色和指导，确保模型理解眼科药物警戒的专业语境和任务目标。 |
知识库召回条数 | 前 5–8 条 | 平衡召回广度与精确性，确保能覆盖多角度信息，同时避免引入过多噪声。 |
相似度阈值 | 0.75–0.85 | 精准匹配眼科不良反应报告中的专业术语和症状描述，过滤掉不相关的知识片段。 |
容易做错的三处
- 对话中出现“无法找到相关药物不良反应信息”或“回复内容与眼科症状不符”等提示，原因是知识库中缺乏对特定眼科药物或罕见不良反应的收录，或者文档分段过粗导致关键信息被稀释。
- 多轮对话后，模型对患者的眼部症状描述理解出现偏差，例如将“眼干”与“视力下降”混淆，原因是提示词中未明确指导模型区分相似症状，或模型上下文窗口设置过小导致早期关键信息丢失。
- 用户询问特定眼科药物的用药禁忌，模型回复泛泛而谈，未能给出针对性的眼科禁忌症，原因是知识库中的药物说明书文档未被有效解析，或者提示词未能引导模型提取结构化的禁忌信息。
怎么确认配好了
- 选取 10–15 个典型的眼科不良反应报告场景，进行多轮对话测试，检查模型能否准确提取关键信息并给出合规性回复，将测试结果与预期答案进行比对，评估准确率。
- 输入包含眼科专业术语（如“玻璃体混浊”、“眼底出血”）和量化单位（如“眼压 25 mmHg”）的查询，检查模型是否能正确理解并引用知识库中带有这些信息的文档片段，评估召回质量。
- 模拟用户逐步补充不良事件细节的场景，观察模型在不同轮次中对上下文的理解和推理能力，确保信息整合无误，并通过人工评估来确定其连贯性和逻辑性。
- 检查每次对话结束后的
maxContext使用情况，确保在复杂对话场景下，上下文窗口能够容纳足够的信息，并且不会因过长而导致性能下降，根据实际情况调整maxContext值。
问题素材取自公开社区提问（2026-09-11 去重 4,834 条）。文中的配置项名称与取值区间需以所用版本的实际界面与文档为准；本页核验日 2026-09-21，当时的最新发布版本为 FastGPT v4.17.0。